本發(fā)明涉及寵物智能喂養(yǎng)領(lǐng)域，具體涉及一種基于動態(tài)智能算法的寵物喂養(yǎng)方法及系統(tǒng)。

背景技術(shù)：

隨著國民經(jīng)濟(jì)的快速發(fā)展，寵物作為一種情感寄托越來越成為人們樂意選擇的一種方式。但如果僅僅使用缺乏科學(xué)依據(jù)的個人經(jīng)驗對寵物進(jìn)行喂養(yǎng)，其不合理的喂養(yǎng)方案可能會使寵物缺乏營養(yǎng)導(dǎo)致疾病或富營養(yǎng)化以致肥胖，都達(dá)不到我們預(yù)想的目標(biāo)，間接造成大量的精力損失和金錢浪費。

目前，亟需解決的問題是建立一套全面的寵物喂養(yǎng)模型，并將寵物生理指標(biāo)、飲食情況反饋給用戶，讓用戶能及時對寵物喂食方案做出調(diào)整。影響寵物健康程度的各個因素之間往往體現(xiàn)出高度的復(fù)雜性和非線性，采用常規(guī)預(yù)測、分析方法存在一定難度。

技術(shù)實現(xiàn)要素：

本發(fā)明通過提供一種基于動態(tài)智能算法的寵物喂養(yǎng)方法及系統(tǒng)，以解決現(xiàn)有寵物喂養(yǎng)過程中因缺乏喂養(yǎng)經(jīng)驗，無法掌控最優(yōu)的喂食方案而導(dǎo)致寵物饑餓或不健康的問題。

為解決上述問題，本發(fā)明采用以下技術(shù)方案予以實現(xiàn)：

一方面，本發(fā)明提供的基于動態(tài)智能算法的寵物喂養(yǎng)方法，包括：

步驟S1：采集寵物的種類、性別、年齡、心跳頻率、血壓、體溫、活動量、喂食類型、喂食量，當(dāng)前圖像、當(dāng)前體重構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，喂食類型和喂食量構(gòu)成決策變量；

步驟S2：在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與寵物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得寵物喂養(yǎng)模型；

步驟S3：利用MOEA/D算法對寵物喂養(yǎng)模型進(jìn)行優(yōu)化，獲得決策變量的一組最優(yōu)解；

步驟S4：將決策變量的該組最優(yōu)解作為寵物的推薦決策X^*通過服務(wù)器下發(fā)至用戶的終端設(shè)備進(jìn)行顯示；

步驟S5：用戶根據(jù)終端設(shè)備顯示的推薦決策X^*喂食寵物。

另一方面，本發(fā)明提供的基于動態(tài)智能算法的寵物喂養(yǎng)系統(tǒng)，包括：

數(shù)據(jù)采集單元，用于采集寵物的種類、性別、年齡、心跳頻率、血壓、體溫、活動量、喂食類型、喂食量，當(dāng)前圖像、當(dāng)前體重構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，喂食類型和喂食量構(gòu)成決策變量；

寵物喂養(yǎng)模型建立單元，用于在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與寵物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得寵物喂養(yǎng)模型；

決策變量最優(yōu)解獲取單元，用于利用MOEA/D算法對寵物喂養(yǎng)模型進(jìn)行優(yōu)化，獲得決策變量的一組最優(yōu)解，并作為寵物的推薦決策X^*；

推薦決策下發(fā)單元，用于通過服務(wù)器將寵物的推薦決策X^*下發(fā)至用戶的終端設(shè)備進(jìn)行顯示。

與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于動態(tài)智能算法的寵物喂養(yǎng)方法及系統(tǒng)的優(yōu)點是：利用Elman神經(jīng)網(wǎng)絡(luò)建立寵物喂養(yǎng)模型，再利用MOEA/D算法優(yōu)化寵物喂養(yǎng)模型，確定了寵物喂食量、食品類型的最優(yōu)值，并將寵物喂食量、食品類型的最優(yōu)值構(gòu)成寵物喂食方案即時反饋給用戶，讓用戶隨時隨地都能了解寵物的當(dāng)前狀況，為寵物營造了更好的生活環(huán)境。

附圖說明

圖1為根據(jù)本發(fā)明實施例的基于動態(tài)智能算法的寵物喂養(yǎng)方法的流程示意圖；

圖2為根據(jù)本發(fā)明實施例的健康指標(biāo)預(yù)測結(jié)果圖；

圖3為根據(jù)本發(fā)明實施例的健康指標(biāo)預(yù)測誤差圖；

圖4為根據(jù)本發(fā)明實施例的用戶界面示意圖。

具體實施方式

圖1示出了根據(jù)本發(fā)明實施例的基于動態(tài)智能算法的寵物喂養(yǎng)方法的流程。

如圖1所示，本發(fā)明的基于動態(tài)智能算法的寵物喂養(yǎng)方法，包括：

步驟S1：采集寵物的種類、性別、年齡、心跳頻率、血壓、體溫、活動量、喂食類型、喂食量，當(dāng)前圖像、當(dāng)前體重構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，喂食類型和喂食量構(gòu)成決策變量。

通過統(tǒng)計得到對寵物的健康程度y₁影響最大的變量為：寵物種類x₁、年齡x₂、心跳頻率x₃、血壓x₄、活動量x₅、體溫x₆、當(dāng)前圖像x₇、性別x₈、當(dāng)前體重x₉、喂食量x₁₀、食物類型x₁₁，共11個變量；其中，心跳頻率x₃、血壓x₄、活動量x₅、體溫x₆由對應(yīng)的傳感器測量數(shù)據(jù)；當(dāng)前圖像x₇由攝像頭采集，寵物種類x₁、年齡x₂、性別x₈、當(dāng)前體重x₉為固有屬性，由用戶輸入；喂食量x₁₀、食物類型x₁₁構(gòu)成決策變量。

寵物的體溫x₆通過溫度傳感器采集獲得；寵物的心跳頻率x₃通過心率傳感器采集獲得；寵物的血壓x₄通過血壓傳感器采集獲得；寵物的活動量x₅通過計步器采集獲得；利用采樣電路分別與溫度傳感器、心率傳感器、血壓傳感器、計步器進(jìn)行連接，并將溫度傳感器、心率傳感器、血壓傳感器、計步器、重量傳感器分別采集到的寵物的體溫、心跳頻率、血壓、活動量、當(dāng)前體重轉(zhuǎn)換成數(shù)字信號。

寵物在當(dāng)前時刻的圖像信息通過攝像頭采集獲得，攝像頭將圖像信息轉(zhuǎn)換成數(shù)字信號。

在本發(fā)明中，服務(wù)器優(yōu)選為云服務(wù)器。

步驟S2：在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與寵物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得寵物喂養(yǎng)模型。

設(shè)置X_k＝[x_k1,x_k2,L,x_kM](k＝1,2,L,S)為輸入矢量，N為訓(xùn)練樣本個數(shù)，

為第g次迭代時輸入層M與隱層I之間的權(quán)值矢量，W_JP(g)為第g次迭代時隱層J與輸出層P之間的權(quán)值矢量，W_JC(g)為第g次迭代時隱層J與承接層C之間的權(quán)值矢量Y_k(g)＝[y_k1(g),y_k2(g),L,y_kP(g)](k＝1,2,L,S)為第g次迭代時網(wǎng)絡(luò)的實際輸出，d_k＝[d_k1,d_k2,L,d_kP](k＝1,2,L,S)為期望輸出，迭代次數(shù)g為500。

在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與寵物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得寵物喂養(yǎng)模型的過程，包括：

步驟S21：初始化，設(shè)迭代次數(shù)g初值為0，分別賦給W_MI(0)、W_JP(0)、W_JC(0)一個(0,1)區(qū)間的隨機(jī)值；

步驟S22：隨機(jī)輸入樣本X_k；

步驟S23：對輸入樣本X_k，前向計算Elman神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的實際輸出Y_k(g)；

步驟S24：根據(jù)期望輸出d_k和實際輸出Y_k(g)，計算誤差E(g)；

步驟S25：判斷誤差E(g)是否小于預(yù)設(shè)的誤差值，如果大于或等于，進(jìn)入步驟S26，如果小于，則進(jìn)入步驟S29；

步驟S26：判斷迭代次數(shù)g+1是否大于最大迭代次數(shù)，如果大于，進(jìn)入步驟S29，否則，進(jìn)入步驟S27；

步驟S27：對輸入樣本X_k反向計算Elman神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的局部梯度δ；

步驟S28：計算權(quán)值修正量ΔW，并修正權(quán)值；令g＝g+1，跳轉(zhuǎn)至步驟S23；

其中，ΔW_ij＝η·δ_ij，η為學(xué)習(xí)效率；W_ij(g+1)＝W_ij(g)+ΔW_ij(g)；

步驟S29：判斷是否完成所有樣本的訓(xùn)練；如果是，完成建模；如果否，跳轉(zhuǎn)至步驟S22。

在Elman神經(jīng)網(wǎng)絡(luò)設(shè)計中，隱層節(jié)點數(shù)的多少是決定Elman神經(jīng)網(wǎng)絡(luò)模型好壞的關(guān)鍵，也是Elman神經(jīng)網(wǎng)絡(luò)設(shè)計中的難點，這里采用試湊法來確定隱層的節(jié)點數(shù)。

式中，p為隱層神經(jīng)元節(jié)點數(shù)，n為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，k為1-10之間的常數(shù)。Elman神經(jīng)網(wǎng)絡(luò)的設(shè)置參數(shù)如下表2所示。

表2Elman神經(jīng)網(wǎng)絡(luò)設(shè)置參數(shù)

通過上述過程，可得到Elman神經(jīng)網(wǎng)絡(luò)預(yù)測效果如圖2-3所示。智能寵物喂養(yǎng)的基礎(chǔ)是模型的建立，模型精度直接影響輸出結(jié)果。通過對圖2-3分析可知，健康指數(shù)預(yù)最大測誤差為4.2％，模型預(yù)測精度高，滿足建模要求。

步驟S3：利用MOEA/D算法(Multi-obiective Evolutionary Algorithm BasedonDecomposition，基于分解的多目標(biāo)優(yōu)化算法)對寵物喂養(yǎng)模型進(jìn)行優(yōu)化，獲得決策變量的一組最優(yōu)解，也就是獲得寵物的喂食類型、喂食量的一組最優(yōu)值。

利用MOEA/D算法對寵物喂養(yǎng)模型進(jìn)行優(yōu)化的步驟包括：

步驟S31：初始化所述寵物喂養(yǎng)模型；其中，步驟S31包括：

步驟S311：將待優(yōu)化的多個目標(biāo)分解為N個單目標(biāo)，并對每個單目標(biāo)賦予權(quán)重(λ₁，λ₂，…λ_N)；

步驟S312：計算任意兩個權(quán)重的歐式距離B(i)，對于每個i＝1，2，…N，令B(i)＝{i₁,i₂,…i_T}，則為距離權(quán)重向量λⁱ最近的T個權(quán)重；

步驟S313：初始化種群x¹L x^N的初始化目標(biāo)函數(shù)最佳值z＝(z₁,...z_m)T，Z_i＝min{f_i(x¹)，...f_i(x^N)}，設(shè)置外部存檔EP為空；

步驟S32：對單個待優(yōu)化目標(biāo)最優(yōu)值進(jìn)行重復(fù)計算，每次產(chǎn)生的新向量更加接近多目標(biāo)優(yōu)化的最優(yōu)值；

步驟S321：從B(i)中隨機(jī)選取兩個序列號為k和l的子向量，利用遺傳算子有x^k，x¹產(chǎn)生一個新的解y，并對解y利用基于測試問題的修復(fù)和改進(jìn)啟發(fā)產(chǎn)生y'；

步驟S322：更新Z：對于j＝1，...m，如果Z_i＜f_j(y')，則令Z_i＝f_j(y')；

步驟S323：更新鄰域解：對于j∈B(i)，如果g^te(y'/λ^j，Z)≤g^te(x/λ^j，Z)，則令x^j＝y(tǒng)'，F(xiàn)V^j＝F(y^j)，其中g(shù)^te(x/λ^j,z)表示第j個子問題的目標(biāo)函數(shù)，利用切比雪夫法將多目標(biāo)優(yōu)化分解為N個標(biāo)量優(yōu)化子問題，具體表達(dá)式為：

其中，F(xiàn)V為x的目標(biāo)函數(shù)，F(xiàn)Vⁱ＝F(xⁱ)，F(xiàn)Vⁱ是xⁱ的F值；

步驟S324：更新外部存檔EP：從外部存檔EP中移出所有被F(y')支配的向量，加入所有不被支配的F(y')；

步驟S33：判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)的上限，如果達(dá)到，則輸出外部存檔EP的值，并作為所述決策變量的一組最優(yōu)解；如果未達(dá)到，則返回步驟S32。

步驟S34：將決策變量的該組最優(yōu)解作為寵物的推薦決策X^*通過服務(wù)器下發(fā)至用戶的終端設(shè)備進(jìn)行顯示。

各類傳感器每2小時采集一次數(shù)據(jù)上傳至服務(wù)器，服務(wù)器接數(shù)據(jù)并通過寵物喂養(yǎng)模型給出寵物當(dāng)前推薦的喂食量和食物類型。

步驟S35：用戶根據(jù)終端設(shè)備顯示的推薦決策喂養(yǎng)寵物。

用戶可以在終端設(shè)備上打開智能寵物喂養(yǎng)界面(如圖4所示)，界面顯示該寵物的簡要信息，寵物的簡要信息包括寵物的圖像、當(dāng)前健康指數(shù)，用戶可在界面設(shè)置寵物的理想健康指數(shù)，由服務(wù)器下發(fā)推薦的喂食類型和喂食量。

寵物的當(dāng)前健康指數(shù)由基于MOEA/D算法對寵物喂養(yǎng)模型進(jìn)行優(yōu)化得到，寵物的當(dāng)前健康指數(shù)與決策變量的一組最優(yōu)解相對應(yīng)。

本發(fā)明提供的基于動態(tài)智能算法的寵物喂養(yǎng)方法，首先，利用傳感器、攝像頭等硬件采集寵物的生理指標(biāo)參數(shù)、寵物圖像、喂食量、食物類型；然后，將采集到的數(shù)據(jù)上傳至服務(wù)器進(jìn)行存儲，在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與寵物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得寵物喂養(yǎng)的動態(tài)模型，利用MOEA/D算法優(yōu)化得到?jīng)Q策變量的一組最優(yōu)值，并將這組最優(yōu)解作為推薦決策下發(fā)至用戶的PC或APP終端，最后，用戶可根據(jù)推薦決策決定寵物的喂食量和食物類型。該方法能夠確定最優(yōu)的寵物喂養(yǎng)方案，為寵物營造了更好的生活環(huán)境。

與上述方法相對應(yīng)，本發(fā)明還提供一種基于動態(tài)智能算法的寵物喂養(yǎng)系統(tǒng)。

本發(fā)明提供的基于動態(tài)智能算法的寵物喂養(yǎng)系統(tǒng)，包括：

數(shù)據(jù)采集單元，用于采集寵物的種類、性別、年齡、心跳頻率、血壓、體溫、活動量、喂食類型、喂食量，當(dāng)前圖像、當(dāng)前體重構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，喂食類型和喂食量構(gòu)成決策變量。數(shù)據(jù)采集單元采集數(shù)據(jù)的具體過程參考上述步驟S1。

寵物喂養(yǎng)模型建立單元，用于在服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與寵物健康指數(shù)之間的復(fù)雜非線性關(guān)系，獲得寵物喂養(yǎng)模型。寵物喂養(yǎng)模型建立單元建立寵物喂養(yǎng)模型的具體過程參考上述步驟S2。

決策變量最優(yōu)解獲取單元，用于利用MOEA/D算法對寵物喂養(yǎng)模型進(jìn)行優(yōu)化，獲得決策變量的一組最優(yōu)解，并作為寵物的推薦決策X^*。決策變量最優(yōu)解獲取單元獲取決策變量的最優(yōu)解具體過程參考上述步驟S3。

推薦決策下發(fā)單元，用于通過服務(wù)器將寵物的推薦決策X^*下發(fā)至用戶的終端設(shè)備進(jìn)行顯示。

用戶根據(jù)終端設(shè)備顯示的推薦決策X^*對寵物進(jìn)行喂食。

應(yīng)當(dāng)指出的是，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本技術(shù)領(lǐng)域的普通技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改性、添加或替換，也應(yīng)屬于本發(fā)明的保護(hù)范圍。